本技术介绍了一种结合小波包时频图和ResNet迁移网络的设备状态诊断方法。该方法应用于故障诊断领域,通过小波包变换对非线性非平稳振动信号进行时频分析,构建振动信号的小波包时频图,进而利用ResNet迁移网络对设备状态进行准确诊断。
背景技术
旋转机械广泛应用在航空航天、轨道交通、石油化工、汽车制造和风力发电等国计民生的重要工程领域,在国民经济生产中具有举足轻重的作用,研究旋转机械的智能故障诊断方法对于保障设备安全高效运行,避免巨大经济损失和重大安全生产事故具有重要的理论意义和工程价值。旋转机械设备产生的振动信号中包含丰富的状态信息,常用于故障诊断。传统机器学习方法如BP神经网络、支持向量机,模糊C均值聚类等方法已经在旋转机械诊断方面已经取得了一系列的研究成果。然而,传统的机器学习需要有效的信号分析手段和先验知识作为引导,无法满足工业领域大数据化的发展需求。
与传统的机器学习相比,深度学习利用端到端的学习思想,可以从振动信号中自适应的提取深层语义特征,减少了经验知识的参与,更适合处理旋转机械设备的复杂振动信号。但随着网络深度的增加,在训练过程中,深度CNN网络容易出现梯度弥散或爆炸问题,为了解决这个问题,本发明利用ResNet解决CNN网络过深而导致的模型退化问题。由于旋转机械设备的时频振动信号中蕴含着丰富的损伤机理,而小波包分解具有强大的非线性非平稳振动信号分析能力,所以选用小波包分析对振动信号进行预处理,希望提取出振动信号中能够反映故障状态的时频信息,利用WPT的振动信号时频特征图构建方法,能够有效的利用不同尺度和不同分辨率的振动信号时频信息,在与深度学习相结合能够有效的提升模型故障诊断准确性。
在变工况应用场景中,源域和目标域的数据不满足独立同分布的假设,导致利用源域数据训练的模型很难在目标域数据上取得好的结果,因此需要引入迁移学习方法解决这一问题。然而在现实应用场景即使是少量目标域数据标签可能也无从获取;如果仅能够得到目标域的数据,而无法得到它们的标签,那么域分布适应的迁移学习方法是一个不错的选择。域分布适应方法通过寻找源域和目标域相似的分布空间来解决变工况迁移问题,本发明利用了多核最大平均差异(MK-MMD)的方法,通过多核线性组合得到最优核,解决单一核带来内核参数选取不当的问题,对源域和目标域的数据的深度特征分布差异进行分析,对深度特征提取网络的优化,解决源域和目标域深度特征之间的分布差异导致的模型诊断能力下降问题。在此基础上,本发明提出了一种基于小波包时频图与ResNet迁移网络的设备状态诊断方法,将WPT时频信号分析与MK-MMD相结合,大大提升了模型变工况的故障诊断率和泛化能力。
实现思路